Análise sobre os rendimentos e a participação na força de trabalho da população da região nordeste brasileira (2013-2015) a partir da PNAD Contínua
Professor(a): Maria Eduarda Tannuri Pianto
Alunos (Grupo 2):
Entrega: 21/07/2023
Este trabalho tem como objetivo examinar as implicações das discrepâncias raciais nos salários dos indivíduos, com foco na Região Nordeste do Brasil. Para realizar essa análise, utilizamos a Pesquisa Nacional de Amostra Domiciliar Contínua (PNADC), conduzida em todo o país pelo Instituto Brasileiro de Geografia e Estatística (IBGE). Os dados utilizados foram obtidos a partir das bases da Pontifícia Universidade Católica do Rio de Janeiro (PUC-Rio).
Para a análise dos dados e as devidas inferências estatísticas, empregamos a linguagem estatística R e optamos por utilizar o RMarkdown, uma abordagem que combina a facilidade de escrita e a interpretação dos resultados com a apresentação dos códigos e gráficos gerados.
Os dados utilizados neste trabalho são provenientes do painel 3 da PNADC, que abrange dados trimestrais dos anos de 2013 a 2015, totalizando 2.866.552 observações. Esse amplo conjunto de dados abrange as 12 Unidades Federativas do Brasil, permitindo uma análise abrangente das disparidades salariais relacionadas às diferenças raciais na Região Nordeste.
Para garantir uma análise abrangente das variáveis relevantes, levamos em consideração diversos aspectos. Primeiramente, exploramos as características demográficas da população, como gênero, idade e etnia, com o intuito de compreender melhor o contexto em que os salários são determinados. Por fim, examinamos as características do trabalho, incluindo o tipo de ocupação, e a influência dos anos de estudo para os salários calculados em valores nominais por hora. Levamos em conta, com este trabalho, que esses fatores contribuem para uma análise preliminar das disparidades de renda relacionadas às diferenças raciais na Região Nordeste. Vale ressaltar que os aspectos relacionados ao desemprego não serão analisados nesta modelagem, uma vez que a variável dependente será o comportamento do salário, dadas as características demográficas da população.
O trabalho terá como objetivo estudar os rendimentos e a participação na força de trabalho da população da região Nordeste, com foco na diferença racial, a partir dos dados da Pesquisa Nacional por Amostra de Domicílio - PNAD, Contínua (trimestral), para os anos de 2013 a 2015.
1ª parte
Primeiro será necessário criar todas as variáveis relevantes para o trabalho.
Exemplos:
Dummy de área urbana, dummies de estado, dummy de chefe de domicílio, número de filhos, dummy para cônjuge ou companheiro(a), dummy de sexo, (homem ou mulher), dummies de raça, anos de educação, dummies para cada um dos níveis educacionais (até 4 anos , fundamental completo, médio completo, superior completo). Na criação da dummy ou dummies racial(s), juntar amarelos e brancos e juntar os indígenas com os pretos ou pardos, já que representam um percentual muito pequeno da população.
Será necessário realizar gráficos e tabelas com estatísticas descritivas das variáveis criadas, com atenção especial às definições das variáveis na PNADC, fazendo a estatística descritiva para o grupo etário a ser incluído: 14 a 65 anos. Para o grupo etário incluído na análise, apenas para os indivíduos que trabalham (população em idade ativa - PIA), elaborar tabela que inclua média, desvio-padrão, mínimo e máximo dos rendimentos mensais, inserindo uma linha para cada um dos seguintes grupos : Empregado com carteira de trabalho assinada (formal), Empregado sem carteira de trabalho assinada (informal), Trabalhador doméstico (juntar formal e informal), Funcionário público estatutário ou militar, Empregador, Conta própria, Trabalhador familiar auxiliar.
É necessário seguir alguns passos importantes.
Como efetuaremos toda essa análise a partir do ambiente de
desenvolvimento integrado (IDE) Rstudio, antes de mais nada,
precisamos selecionar o diretório de trabalho via
Session/Set Working Directory/Choose Directory.
Na sequência, iniciamos a instalação e carregamento dos pacotes de dados que serão utilizados. Vale dizer que nem todos os códigos aparecerão antes dos resultados pretendidos (gráficos e tabelas), mas iniciaremos reportando a fim de justificarmos essa etapa do trabalho.
library(pacman)
# Definir os pacotes a serem utilizados
pacman::p_load(dplyr, ggplot2, car, knitr, tidyr, rstatix, lmtest, ggpubr, data.table, car, GGally,
rstatix, lmtest, highcharter, plotly, writexl, QuantPsyc, psych, scatterplot3d, MVN, emmeans, kableExtra)
# Carregar os pacotes necessários
library(dplyr)
library(ggplot2)
library(foreign)
library(lmtest)
library(knitr)
library(tidyr)
library(tidyverse)
library(magrittr)
library(clubSandwich)
library(lmtest)
library(broom)
library(stargazer)
library(modelsummary)
library(jtools)
library(data.table)
library(rstatix)
library(ggpubr)
library(car)
library(GGally)
library(emmeans)
library(kableExtra)
library(DT)
library(plotly)
library(highcharter)
library(plm)
A seleção do painel da PNADC, com os dados de interesse, seguiram o seguinte recorte:
Painel3_PNADC <- data.table::fread('PNAD_painel3.csv')
Realizaremos as análises descritivas de cada uma das variáveis consideradas relevantes para a análise de rendimentos e participação na força de trabalho, com ênfase em sua relação com a educação. Para as variáveis de interesse, serão examinados indicadores estatísticos como média, mediana, valores mínimos e máximos, que irão auxiliar no mapeamento das informações e na compreensão da relevância dos dados levantados no escopo da análise.
As variáveis escolhidas foram:
Ano: Delimita o ano da observação
Trimestre: Delimita o semestre da observação
UF: Delimita geograficamente as observações por
Unidades Federativas
UPA: Identificação das observações (unidade primária
de amostragem)
V1008: Número de seleção do domicílio
V1016: Número da entrevista no domicílio
V1022: Situação do domicílio
V1023: TIpo de área (se capital, resto da região
metropolitana, RIDE, etc.)
V2001: Número de pessoas no domicílio
V2003: Número de ordem (pessoas no
domicílio)
V2007: Sexo do indivíduo (1 = homem, 2 =
mulher)
V2009: Idade do morador na data de referência (em
anos)
V2010: Cor ou raça
V3001: Alfabetizado (1 = sim, 2 = não)
VD3004: Nível de educação mais alto alcançado (5
anos ou mais de idade)
VD3005: Anos de estudo (5 anos ou mais de idade,
para fundamental de 9 anos)
V4012: Tipo de trabalho
VD4001: Condição em relação à força de trabalho na
semana de referência para pessoas de 14 anos ou mais de idade
VD4002: Condição de ocupação na semana de referência
para pessoas de 14 anos ou mais de idade
VD4018: Com ou Sem Rendimento
VD4019: Rendimento mensal habitual de todos os
trabalhos
V4039: Quantas horas trabalhadas por semana
V403312: Rendimento mensal efetivo de todos os
trabalhos
# Diretório temporário
Sys.setenv(TMPDIR = "C:/R-Temp") # Esse diretório temporário foi retificado por ser mais curto
# Separando o banco de dados da PNADC (Painel3) por Estados
estados_nordeste <- c(21, 22, 23, 24, 25, 26, 27, 28, 29)
Painel3 <- Painel3_PNADC[UF %in% estados_nordeste, .(Ano, Trimestre, UF, UPA, V1008, V1016, V1022, V1023, V2001, V2003, V2007, V2009, V2010, V3001, VD3004, VD3005, V4012, VD4001, VD4002, VD4018, VD4019, V4039, V403312)]
Painel3[is.na(Painel3)] <- 0
# Criar uma coluna "Estado" e fazer o match com a coluna "UF"
estado_ufs <- c(
"Maranhão", "Piauí", "Ceará", "Rio Grande do Norte", "Paraíba",
"Pernambuco", "Alagoas", "Sergipe", "Bahia"
)
estado_ufs <- setNames(estado_ufs, 21:29)
Painel3$Estado <- estado_ufs[as.character(Painel3$UF)]
rm(Painel3_PNADC)
Painel3 <- arrange(Painel3, Ano, Trimestre)
glimpse(Painel3)
## Rows: 982,409
## Columns: 24
## $ Ano <int> 2013, 2013, 2013, 2013, 2013, 2013, 2013, 2013, 2013, 2013, ~
## $ Trimestre <int> 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, ~
## $ UF <int> 21, 21, 21, 21, 21, 21, 21, 21, 21, 21, 21, 21, 21, 21, 21, ~
## $ UPA <int> 210000056, 210000056, 210000056, 210000056, 210000056, 21000~
## $ V1008 <int> 1, 1, 1, 3, 3, 3, 4, 4, 4, 4, 5, 5, 5, 5, 5, 5, 5, 6, 6, 6, ~
## $ V1016 <int> 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, ~
## $ V1022 <int> 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, ~
## $ V1023 <int> 4, 4, 4, 4, 4, 4, 4, 4, 4, 4, 4, 4, 4, 4, 4, 4, 4, 4, 4, 4, ~
## $ V2001 <int> 3, 3, 3, 3, 3, 3, 4, 4, 4, 4, 7, 7, 7, 7, 7, 7, 7, 5, 5, 5, ~
## $ V2003 <int> 1, 2, 3, 1, 2, 3, 1, 2, 3, 4, 1, 2, 3, 4, 5, 6, 7, 1, 2, 3, ~
## $ V2007 <int> 2, 1, 1, 2, 1, 2, 1, 2, 1, 1, 2, 1, 1, 2, 1, 1, 1, 1, 2, 1, ~
## $ V2009 <int> 40, 14, 4, 25, 46, 2, 61, 55, 14, 13, 40, 51, 19, 16, 13, 8,~
## $ V2010 <int> 2, 2, 2, 4, 1, 1, 4, 4, 4, 4, 2, 4, 2, 2, 2, 2, 2, 4, 4, 4, ~
## $ V3001 <dbl> 1, 1, 0, 1, 1, 0, 1, 1, 1, 1, 1, 1, 1, 1, 1, 2, 0, 1, 1, 1, ~
## $ VD3004 <dbl> 5, 3, 0, 5, 3, 0, 3, 3, 3, 2, 2, 2, 2, 2, 2, 2, 0, 5, 5, 2, ~
## $ VD3005 <dbl> 12, 9, 0, 12, 9, 0, 9, 9, 9, 7, 5, 8, 4, 5, 5, 2, 0, 12, 12,~
## $ V4012 <dbl> 4, 0, 0, 3, 6, 0, 4, 0, 0, 0, 0, 6, 0, 0, 0, 0, 0, 6, 4, 0, ~
## $ VD4001 <dbl> 1, 2, 0, 1, 1, 0, 1, 2, 2, 0, 2, 1, 2, 2, 0, 0, 0, 1, 1, 0, ~
## $ VD4002 <dbl> 1, 0, 0, 1, 1, 0, 1, 0, 0, 0, 0, 1, 0, 0, 0, 0, 0, 1, 1, 0, ~
## $ VD4018 <dbl> 1, 0, 0, 1, 1, 0, 1, 0, 0, 0, 0, 1, 0, 0, 0, 0, 0, 1, 1, 0, ~
## $ VD4019 <dbl> 2000, 0, 0, 800, 1500, 0, 800, 0, 0, 0, 0, 300, 0, 0, 0, 0, ~
## $ V4039 <dbl> 40, 0, 0, 44, 44, 0, 40, 0, 0, 0, 0, 24, 0, 0, 0, 0, 0, 44, ~
## $ V403312 <dbl> 2000, 0, 0, 800, 1500, 0, 800, 0, 0, 0, 0, 300, 0, 0, 0, 0, ~
## $ Estado <chr> "Maranhão", "Maranhão", "Maranhão", "Maranhão", "Maranhão", ~
Para esta análise optamos por criar as respectivas variáveis dummy:
Painel3 <- Painel3 %>% mutate(dummy_raca = ifelse(V2010 %in% c(1,3), 0, 1))
Painel3 <- Painel3[, !colnames(Painel3) %in% "V2010", with = FALSE]
Painel3 <- Painel3 %>% mutate(dummy_sexo = ifelse(V2007 == 1, 1, 0))
Painel3 <- Painel3[, !colnames(Painel3) %in% "V2007", with = FALSE]
Painel3 <- Painel3 %>% mutate(dummy_alfabetizado = ifelse(V3001 == 1, 1, 0))
Painel3 <- Painel3 %>% mutate(dummy_remunerado = ifelse(VD4018 == 1, 1, 0))
A População em Idade Ativa (PIA) refere-se ao grupo de indivíduos em uma determinada população que está apto a participar do mercado de trabalho. Essa faixa etária varia de acordo com a definição adotada em cada país, mas geralmente abrange pessoas com idades entre 14 e 65 anos.
A análise da PIA é de extrema importância para a compreensão da dinâmica econômica e social de uma sociedade. Ao examinar a PIA em pesquisas populacionais, como a PNAD Contínua, é possível obter informações valiosas sobre o tamanho, a composição e as características da força de trabalho de um país ou região.
A PIA desempenha um papel fundamental na formulação e implementação de políticas públicas voltadas para o mercado de trabalho e o desenvolvimento econômico. Ao compreender a estrutura etária da PIA, é possível identificar desafios e oportunidades específicos, como a demanda por emprego, o envelhecimento da força de trabalho, a qualificação educacional e as desigualdades socioeconômicas.
A análise da PIA permite identificar grupos populacionais que estão mais vulneráveis ao desemprego, à informalidade, à discriminação e a outras formas de exclusão social. Com base nesses dados, as políticas públicas podem ser direcionadas para promover a inclusão, estimular o emprego, melhorar as condições de trabalho e reduzir as desigualdades de gênero, raça/etnia e educação.
Portanto, a análise da PIA em pesquisas populacionais, como a PNAD Contínua, fornece subsídios importantes para a formulação de políticas públicas mais efetivas e direcionadas, visando o desenvolvimento socioeconômico, a redução da pobreza, a promoção da igualdade de oportunidades e o bem-estar da população em geral.
# Primeira etapa de filtragem (idade maior ou igual a 14)
Painel3_pia_temp <- Painel3 %>%
filter(V2009 >= 14)
# Segunda etapa de filtragem (idade menor ou igual a 65)
Painel3_pia <- Painel3_pia_temp %>%
filter(V2009 <= 65)
# Limpando o dataframe temporário (opcional)
rm(Painel3_pia_temp)
Inicialmente vamos separar o grupo da PIA em pessoas que trabalham com e sem rendimentos, e aquelas que não trabalham e não possuem rendimento. A tabela abaixo categoriza os grupos conforme a idade, apresentando uma coluna com o total de pessoas analisadas na PNADC, e o percentual dentro do grupo da idade respectiva.
Os grupos analisados foram:
VD4001 = 1 & dummy_remunerado = 1 = “Trabalha com
rendimentos”,VD4001 = 1 & dummy_remunerado = 0 = “Trabalha sem
rendimentos”,VD4001 = 2 & dummy_remunerado = 1 = “Não trabalha e
tem rendimentos”,VD4001 = 2 & dummy_remunerado = 0 = “Não trabalha e
não tem rendimentos”.Como veremos abaixo, o grupo “Não trabalha e tem rendimentos” não foi capturado pela filtragem dos dados. Dessa forma, podemos entender o grupo “Não trabalha e não tem rendimentos” como os indivíduos que não têm ocupação.
Abaixo vemos o total por Estado:
Além de analisar a População em Idade Ativa (PIA) como um todo, é fundamental considerar a segmentação por sexo e raça ao realizar estudos e pesquisas populacionais, como no caso da pesquisa em questão, em que utilizamos as variáveis dummy “dummy_sexo” e “dummy_raca”.
Ao separar a PIA por sexo, é possível compreender as particularidades e desigualdades existentes entre homens e mulheres no mercado de trabalho. A segmentação por sexo permite identificar diferenças salariais, oportunidades de emprego, níveis de ocupação, participação em setores específicos da economia e a presença de questões como a divisão desigual das responsabilidades domésticas e cuidado familiar. Essas informações são essenciais para a formulação de políticas públicas que promovam a igualdade de gênero, a equidade salarial e o empoderamento das mulheres.
| Gênero | Raça | Percentual | Total |
|---|---|---|---|
| Homem | Branco | 22.06449 | 72304 |
| Homem | PPI | 77.93551 | 255390 |
| Mulher | Branco | 24.33028 | 84837 |
| Mulher | PPI | 75.66972 | 263852 |
Já a segmentação por raça/etnia na análise da PIA é fundamental para compreender as desigualdades socioeconômicas e a discriminação racial presentes no mercado de trabalho. Ao separar a população entre Brancos/Amarelos e Pretos/Pardos/Indígenas, é possível identificar diferenças na taxa de desemprego, nos níveis de escolaridade, nas oportunidades de ascensão profissional e nas condições de trabalho. Essa análise contribui para a formulação de políticas de inclusão, combate ao racismo estrutural e promoção da igualdade racial.
Portanto, ao analisar a PIA separadamente por sexo e raça, é possível evidenciar as desigualdades e as disparidades existentes, permitindo uma compreensão mais abrangente da realidade social e econômica. Essa abordagem segmentada é fundamental para que as políticas públicas sejam mais efetivas e direcionadas, visando a redução das desigualdades de gênero e raça, a promoção da diversidade e a construção de uma sociedade mais justa e inclusiva para todos.
Analisando o percentual total dos grupos Gênero e Estado pelo status de ocupação:
Efetuaremos agora uma análise sobre o tipo de ocupação apresentada pela pesquisa. As categorias de ocupação foram identificadas na PNADC como:
V4012 = 1, “Trabalhador doméstico”,V4012 = 2, “Militar do exército, marinha, aeronáutica,
polícia militar ou bombeiro”,V4012 = 3, “Empregado do setor privado (com
carteira)”,V4012 = 4, “Empregado do setor público”,V4012 = 5, “Empregador”,V4012 = 6, “Autônomo”,V4012 = 7, “Trabalhador familiar não remunerado”,V4012 = 0, “Trabalhador informal (sem carteira)”
OBS: o grupo V4012 = 0 foi reportado na
PNADC como N/A (não aplicado) e, para esta análise,
enquadramos como os indivíduos que trabalham na informalidade (sem
carteira assinada). Também levamos em conta a diferença dos grupos
Empregado do setor público e
Militar do exército, marinha, aeronáutica, política militar ou bombeiro,
conforme apresenta o dicionário da PNADC que pode ser
acessado pelo clicando
aqui.
Efetuando um somatório a fim de vermos o total, temos:
Efetuaremos agora uma análise sobre os anos de estudo apresentada pela pesquisa. As categorias foram identificadas na PNADC como:
VD3004 = "1" = “Sem instrução e menos de 1 ano de
estudo”,VD3004 = "2" = “Fundamental incompleto ou
equivalente”,VD3004 = "3" = “Fundamental completo ou
equivalente”,VD3004 = "4" = “Médio incompleto ou equivalente”,VD3004 = "5" = “Médio completo ou equivalente”,VD3004 = "6" = “Superior incompleto ou
equivalente”,VD3004 = "7" = “Superior completo”.
Efetuando um somatório a fim de vermos o total, temos:
A análise descritiva prossegue com a elaboração de gráficos e tabelas contendo estatísticas descritivas das variáveis criadas. Um ponto de atenção é garantir que as definições das variáveis estejam adequadas à PNADC.
No caso dos indivíduos que trabalham, será elaborada uma tabela com a média, desvio-padrão, mínimo e máximo dos rendimentos mensais.
Essa análise permitirá compreender o comportamento dos rendimentos mensais para diferentes tipos de ocupação, considerando tanto o setor formal quanto o informal da economia. Com esses dados descritivos, poderemos ter uma visão ampla da distribuição dos rendimentos salariais para os grupos de interesse, possibilitando identificar possíveis diferenças salariais entre raças, gêneros, níveis de educação e ocupações.
Essa primeira etapa de análise descritiva será fundamental para fornecer insights e subsidiar as análises mais aprofundadas do Passo 5, onde abordaremos o componente salarial dos grupos Raça, Gênero, Tipo de ocupação e Anos de estudo. Com essas informações em mãos, poderemos realizar uma análise mais robusta e embasada sobre as desigualdades salariais e suas possíveis causas.
Vamos relembrara aqui que a proposta de análise dos dados referentes a
salário bruto mensal, verificado pela PNADC com a variável
V403312, consideram o valor nominal em Reais (R$). Tendo
isso em vista, incluiremos a variável salario_hora em nosso
modelo a partir da divisão do rendimento bruto mensal por 4 (equivalendo
a 4 semanas em um mês), e em seguida, dividindo pela variável
V4039 que equivale ao total de horas trabalhadas por
semana:
# Criar a nova coluna "salario_hora"
Painel3_pia <- Painel3_pia %>%
mutate(salario_hora = V403312 / 4 / V4039)
# Substituir valores vazios (NaN) por zero na variável "salario_hora" do banco de dados "Painel3_pia"
Painel3_pia$salario_hora <- replace(Painel3_pia$salario_hora, is.nan(Painel3_pia$salario_hora), 0)
write.csv(Painel3_pia, file = "Painel3_pia_1.csv", row.names = FALSE)
Na sequência, iniciaremos um novo filtro para o banco de dados
Painel3_pia considerando os grupos de
Gênero e Raça, resultando na seguinte
tabela:
Com isso já podemos resumir os valores de Mínimo, Máximo, Média, Mediana e Desvio-Padrão dos valores respectivos aos salários de pessoas conforme o Gênero e a Raça, para toda a Região Nordeste.
| Gênero | Raça | Mínimo | Máximo | Média | Mediana | Desvio_Padrão |
|---|---|---|---|---|---|---|
| Homens | Brancos/Amarelos | 0 | 1250.0 | 6.325020 | 3.23 | 15.339110 |
| Homens | PPI | 0 | 1875.0 | 4.021296 | 2.50 | 10.064948 |
| Mulheres | Brancos/Amarelos | 0 | 562.5 | 3.844528 | 0.00 | 10.159497 |
| Mulheres | PPI | 0 | 500.0 | 2.359862 | 0.00 | 6.413519 |
Passaremos agora para a visualização dos dados por meio do gráfico de
boxplot, representado por caixas (boxes) no gráfico,
ilustrando a distribuição dos salários médios por hora para cada grupo
de gênero (homens e mulheres) e raça (PPI e Brancos/Amarelos). A linha
no centro de cada caixa representa a mediana dos salários, enquanto a
parte inferior da caixa indica o primeiro quartil (25%) e a parte
superior, o terceiro quartil (75%).
Os pontos acima das caixas representam os valores médios dos salários para cada grupo. Além disso, as barras verticais que se estendem acima e abaixo das caixas representam os intervalos de confiança para o desvio-padrão, ou seja, a variação dos salários em torno da média.
De igual modo filtramos para “Anos de Estudo”, a fim de verificar o mínimo, máximo, média, mediana e desvio padrão dos “Salário_Hora” para cada grupo de “Raça” e “Gênero”, primeiro separado por estados, conforme a tabela a seguir.
Dessa forma, podemos então efetuar o resumo do total das estatísticas descritivas dentro dos grupos “Gênero” e “Raça”, para cada “Ano de Estudo”.
Os gráficos, a seguir, permitem visualizar a variação salarial dentro de cada grupo “Anos de estudo”, bem como identificar diferenças significativas entre os grupos de gênero e raça para cada nível de escolaridade.
Iremos agora filtrar para “Tipos de Ocupação”, a fim de verificar o mínimo, máximo, média, mediana e desvio padrão dos “Salário_Hora” para cada grupo de “Raça” e “Gênero”, primeiro separado por estados, conforme a tabela a seguir.
Podemos agora efetuar o resumo do total das estatísticas descritivas dentro dos grupos “Gênero” e “Raça”, para cada “Tipo de Ocupação”.
Com base nas análises realizadas a partir do banco de dados da PNAD Contínua (Painel 3), podemos obter insights importantes sobre a distribuição de salários por hora e sua relação com variáveis como gênero, raça e nível de instrução para a população da Região Nordeste, entrevistadas entre os anos de 2013 e 2015.
Diferenças de Gênero e Raça: Ao examinarmos os dados, é possível observar que existem diferenças significativas nos salários por hora entre homens e mulheres, bem como entre pessoas autodeclaradas como PPI (pretas, pardas e indígenas) e brancas/amarelas. Essas diferenças podem indicar disparidades salariais e reforçam a importância de políticas de equidade de gênero e combate ao racismo no ambiente de trabalho.
Impacto do Nível de Instrução: Outro fator relevante é o nível de instrução dos indivíduos. Aqueles com maior escolaridade tendem a receber salários mais elevados em comparação com os que possuem menos anos de estudo. Esse padrão destaca a relevância da educação e capacitação profissional como caminhos para obter melhores oportunidades de emprego e remuneração.
Variação Salarial: Notamos que existe uma variação nos salários por hora, indicando que há indivíduos com remuneração mais elevada ou mais baixa em relação à média. Essa variação pode ser influenciada por diversos fatores, como experiência profissional, setor de atuação e cargo ocupado.
É fundamental considerar essas informações para a tomada de decisões tanto no âmbito político como no empresarial. A busca por uma maior equidade salarial, oportunidades justas e inclusão social deve ser um objetivo constante para construir uma sociedade mais justa e sustentável.